Data Analytics ohne Data Scientist
Mit dem Vibrationssensor u-sense vibration und dem Gateway IoT-GW30 liefert Weidmüller die Basiskomponenten für eine Zustandsüberwachung, insbesondere für kontinuierlich laufende Pumpen und Antriebe. (Quelle: Weidmueller)
Innenansicht des Lüfters: Der u-sense vibration wurde einfach nachgerüstet und überwacht die Motorfunktion. (Quelle: Weidmueller)
In Verbindung mit einer nachgeschalteten Analytics-Software können zudem Fehler automatisiert erkannt und Handlungsempfehlungen gegeben werden. „Typische Industrial-Analytics-Anwendungsbeispiele sind die Anomalieerkennung, die Klassifikation, die vorausschauende Wartung sowie eine vorhersagbare Qualität“, informiert Dr. Carlos Paiz Gatica, Produktmanager im Bereich Industrial Analytics bei Weidmüller, allgemein zum Thema. Er verweist darauf, dass dazu in der Regel Data Scientists die Daten nach bestimmten Kriterien analysieren und daraus ein Modell ableiten, das dem Kunden wertvolle Informationen liefert. „Zur Festlegung der relevanten physikalischen Messgrößen und der sinnvollen Interpretation der Datenmuster sind Data Scientists allerdings auf die Unterstützung von erfahrenen Applikationsexperten angewiesen“, nennt Dr. C. Paiz Gatica als Erfahrung.
Aus dieser Erkenntnis heraus hat Weidmüller die Vision abgeleitet, Domänenexperten zu befähigen, mit eigenen Daten und ihrer Expertise Machine Learning (ML) einfach zu nutzen und Mehrwert zu generieren – ohne einen Data Scientist einzusetzen. Im Ergebnis ist das Industrial-AutoML-Tool mit den Modulen Model-Builder und Model-Runtime entstanden. Dabei dient der Model-Builder zur Erstellung, Validierung und dem Export eigener Machine-Learning-Modelle. Darauf setzt das Modul Model-Runtime auf. Es ermöglicht die Ausführung, Konfiguration und Bewertung des Modells. „Im Lauf des Lebenszyklus eines Modells kann dieses durch zusätzlichen Input weiter optimiert werden“, sagt Dr. C. Paiz Gatica. Zusammenfassend fügt er an: „Mit Industrial-AutoML ermöglichen wir Domänenexperten die eigenständige Erstellung und Optimierung von Machine-Learning-Modellen.“
Wartungseinsätze im Galvanikbereich optimieren
Wie das Hard- und Softwareangebot für Condition Monitoring in der Praxis angewendet wird, zeigt das Beispiel des eigenen Galvanikbereichs am Weidmüller-Standort Detmold. „In unserer Galvanik werden die Metallteile unserer Produkte veredelt. Oberstes Gebot ist hier die saubere Luft – zum einen zum Schutz der Mitarbeitenden und zum anderen zur Gewährleistung stabiler Prozesse. Dafür sorgen Lüfter, die auf dem Dach des Gebäudes installiert sind“, berichtet Bernd-Ulrich Wittwer, Trainer im Internationalen Training Center der Weidmüller-Gruppe. Er verweist darauf, dass Serviceeinsätze und Wartungsarbeiten an den Lüftern aufwendig sind und dazu immer mindestens zwei Menschen auf das Dach des Gebäudes müssen. „Damit ist diese Applikation prädestiniert für Condition Monitoring. Bislang fand die Wartung hier reaktiv statt“, berichtet er weiter.
Als typische Verschleißteile haben die Experten bei dieser Applikation Antriebsriemen, Impeller sowie Manschetten ausgemacht. „Diese mussten bislang regelmäßig von Technikern überprüft werden“, gibt B.-U. Wittwer an. Mithilfe der eigenen Hard- und Software wollte Weidmüller nun eine automatisierte Überwachung realisieren und damit die Betriebskosten senken.